YOLOv8 室内行人跌倒数据集信息表

YOLOv8 室内行人跌倒数据集信息表

数据集概述

项目	内容
数据集名称	YOLOv8 室内行人跌倒数据集
总图像数量	9,262 张
应用场景	跌倒检测、公共安全监控、老年人护理、智能安防
目标类别	2 类：stand（站立）、fall（跌倒）
标注格式	.txt（YOLO 格式，归一化坐标）
适用模型	YOLO 系列（直接用于训练）

---

数据集划分及标注统计

数据集类型	图像数量	占比	备注
训练集	7,148 张	77.2%	包含 stand 和 fall 类别
验证集	2,114 张	22.8%	用于评估模型性能，调参
总计	9,262 张	100%	——

---

类别标签对照表及样本数统计

训练集样本分布

类别编号	英文名称	中文名称	样本数量（训练集）
0	stand	站立	2,500 左右
1	fall	跌倒	4,600 左右

验证集样本分布

类别编号	英文名称	中文名称	样本数量（验证集）
0	stand	站立	1,673
1	fall	跌倒	692

---

典型应用方向

• 公共安全监控：实时监测公共场所中的人员状态，及时发现跌倒事件。
• 老年人护理：在养老院或家庭环境中使用，帮助及时响应老人跌倒情况。
• 智能安防：结合摄像头监控网络，实现自动化的跌倒检测与报警功能。
• 科研与教学：适合用于目标检测算法的研究与开发，特别是在跌倒检测领域。

data.yaml 示例内容

train: ./fall-detection-dataset/images/train
val: ./fall-detection-dataset/images/val

nc: 2  # 类别数量
names: ['stand', 'fall']  # 类别名称

1

数据集文字描述：
室内行人跌倒数据集，yolo格式，两类，站立‘stand’，跌倒‘fall’。
数据集：训练集7148张，验证集2114张，两个种类在训练集出现的样例数：2500左右 4600左右，三个种类在验证集出现的样例数：1673 692

1

室内行人跌倒检测 的 YOLOv8 可训练数据集，包含两个类别：

• stand（站立）：约 2500 张（训练集）
• fall（跌倒）：约 4600 张（训练集）

总训练集 7148 张，验证集 2114 张，已按 YOLO 格式标注，可直接用于目标检测模型训练。

是 从环境搭建 → 数据准备 → 模型训练 → 推理 → 评估 → 模型导出 的完整技术流程，适用于使用 YOLOv8 实现高精度跌倒行为识别。

---

✅ 一、系统环境搭建

1. 确认 CUDA 驱动（GPU 加速）

确保 NVIDIA 显卡驱动已安装并支持 CUDA：

nvidia-smi

输出应显示 GPU 型号和 CUDA 版本（推荐 ≥ 11.8）。

---

2. 安装 Anaconda（Python 包管理器）

前往 https://www.anaconda.com/products/distribution 下载并安装 Anaconda（支持 Windows/Linux/macOS）。

---

3. 创建 Python 虚拟环境

# 创建名为 fall_detection 的环境，使用 Python 3.9
conda create -n fall_detection python=3.9

# 激活环境
conda activate fall_detection

---

4. 安装必要依赖

# 安装 PyTorch（以 CUDA 11.8 为例，根据你的驱动选择）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 安装 YOLOv8 官方库
pip install ultralytics opencv-python numpy matplotlib tqdm scikit-learn pandas pillow

# 可选：TensorBoard 可视化
pip install tensorboard

# 验证安装
python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"
# 应输出 True 表示 GPU 可用

---

✅ 二、数据集结构与 data.yaml 配置

数据目录结构

fall_dataset/
├── images/
│   ├── train/      # 7148 张训练图像
│   └── val/        # 2114 张验证图像
├── labels/
│   ├── train/      # 对应的 .txt 标注文件 (YOLO 格式)
│   └── val/
└── data.yaml       # 数据配置文件

创建 data.yaml

在项目根目录创建 data.yaml 文件：

# data.yaml
train: ./fall_dataset/images/train
val: ./fall_dataset/images/val

# 类别数量
nc: 2

# 类别名称（顺序必须与 label 文件中的 class ID 一致）
names:
  - stand
  - fall

# 中文名称（用于可视化）
names_zh:
  - 站立
  - 跌倒

---

✅ 三、调用 YOLOv8 官方预训练模型进行训练

由于跌倒行为中“跌倒”姿态多变、目标较小，建议使用 YOLOv8m 或 YOLOv8l 提升小目标检测能力。

from ultralytics import YOLO

# 加载官方预训练模型（推荐使用 yolov8m.pt）
model = YOLO('yolov8m.pt')  # 自动下载 ImageNet 预训练权重

# 开始训练
results = model.train(
    data='data.yaml',           # 数据配置文件路径
    epochs=120,                 # 训练轮数（数据量大，无需过多 epoch）
    batch=32,                   # 根据显存调整（RTX 3090 可用 64）
    imgsz=640,                  # 输入尺寸（可尝试 800 提升小目标检测）
    optimizer='AdamW',          # 更稳定优化器
    lr0=0.001,                  # 初始学习率
    weight_decay=0.0005,
    momentum=0.937,

    # 数据增强（关键！提升泛化）
    augment=True,
    hsv_h=0.015,                # 色调扰动
    hsv_s=0.7,                  # 饱和度增强
    hsv_v=0.4,
    degrees=10.0,               # 随机旋转
    translate=0.1,
    scale=0.5,
    shear=0.0,
    flipud=0.0,
    fliplr=0.5,                 # 左右翻转
    mosaic=1.0,                 # Mosaic 增强（强烈推荐）
    mixup=0.1,                  # MixUp
    copy_paste=0.1,             # Copy-Paste Augmentation（对“跌倒”姿态有效）

    # 正则化
    dropout=0.2,
    label_smoothing=0.05,       # 标签平滑，防止过拟合

    # 学习率调度
    cos_lr=True,                # 余弦退火学习率

    # 保存与日志
    project='runs/train',
    name='fall_detection_yolov8m',
    save=True,
    save_period=10,
    exist_ok=False,

    # 缓存（内存充足时开启）
    cache=True
)

💡 建议：

• 若显存不足，改用 yolov8s.pt 或降低 batch=16
• 使用 imgsz=800 可提升对躺倒姿态的识别能力
• copy_paste 增强可缓解 stand 类别样本较少的问题

---

✅ 四、推理代码（单图 / 批量 / 视频）

1. 单张图像推理

from ultralytics import YOLO
from PIL import Image

# 加载最佳模型
model = YOLO('runs/train/fall_detection_yolov8m/weights/best.pt')

# 推理
results = model('test_person.jpg', conf=0.3)  # 设置置信度阈值

# 显示结果
for r in results:
    im_array = r.plot()  # 绘制边界框和标签
    im = Image.fromarray(im_array[..., ::-1])  # BGR to RGB
    im.show()

---

2. 批量图像推理

results = model.predict(
    source='fall_dataset/images/val',
    save=True,
    project='runs/detect',
    name='fall_val_results',
    conf=0.3,
    imgsz=640
)
print("批量推理完成")

---

3. 视频检测（如监控视频）

results = model.predict(
    source='indoor_surveillance.mp4',
    save=True,
    project='runs/detect/video',
    name='fall_video_result',
    show=False,
    conf=0.3
)
print("视频检测完成")

---

4. 实时摄像头检测（OpenCV）

import cv2

cap = cv2.VideoCapture(0)

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break

    results = model(frame, conf=0.3)
    annotated_frame = results[0].plot()

    cv2.imshow('Fall Detection', annotated_frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()

---

✅ 五、模型评估（验证集 + 可选测试集）

1. 在验证集上评估

metrics = model.val(
    data='data.yaml',
    split='val',
    batch=32,
    imgsz=640,
    save_json=False,
    project='runs/val',
    name='fall_eval'
)

print(f"mAP@0.5: {metrics.box.map50:.4f}")
print(f"mAP@0.5:0.95: {metrics.box.map:.4f}")
print(f"Precision: {metrics.box.p:.4f}")
print(f"Recall: {metrics.box.r:.4f}")

# 每类 AP
for i, name in enumerate(model.names):
    print(f"{name} (AP@0.5): {metrics.box.ap[i]:.4f}")

---

2. （建议）创建独立测试集并评估

建议从训练集中划分出 10% 作为测试集：

# 示例：使用脚本划分 train → train + test
# 或手动创建 test/ 文件夹并更新 data.yaml

更新 data.yaml 添加 test: 字段：

test: ./fall_dataset/images/test

然后进行最终测试评估：

test_metrics = model.val(
    data='data.yaml',
    split='test',
    save_json=True,
    name='test_final'
)

print(f"Test mAP@0.5: {test_metrics.box.map50:.4f}")
print(f"Test Recall: {test_metrics.box.r:.4f}")

---